Objectifs

Dans ce travail, les données du recensement agricole construites avec les scripts d’intégration de FS_bdd_elab_ra.Rmd sont analysées pour porter un regard sur la distribution spatiale et l’évolution de plusieurs variables d’occupation du sol en lien avec l’activité d’élevage. Cette étude exploratoire a pour objectif d’identifier les principales tendances des changements d’occupation du sol pour faciliter l’analyse de l’évolution des teneurs en carbone organique (voir FS_traitements_bdat.Rmd et FS_traitements_bdatdiff.Rmd).

Dans un premier temps, plusieurs cartographies des variables à analyser sont réalisées. Des statistiques descriptives sont ensuite développées. Celle-ci sont portées à l’échelle de la France et sur différents niveaux géographiques (classes de type de sol, principales grandes région d’élevage).

Cartographie

Pour ce travail, les cartes ont été générées avec le paquet ggplot2 et la fonction F_carto.R.

Occupation du sol

Les figures suivantes

# Paramètres ###########################
tablecarto <- "dm_vecteurs.canton" 
period <- c("1970","1979","1988","2000","2010") #Périodes de temps prise en compte
variablecarto <- c("p_prairie","p_sth","p_sfp","p_mf","p_c")#variable(s) à cartographier
#variablecarto <- "p_prairie"
l_legend <- c("Prairie/SAU (%)","STH/SAU (STH)", "SFP/SAU (%)", "MFL/SAU (%)","Céréale/SAU (%)")# Nom des labels associés aux variables à cartographier. Vecteur utilisé pour les titres des cartes

nclasse <- 5 #Nombre de classes de valeurs pour la cartographie
style_classe <- "pretty" #"pretty"#"jenks"
couleur <- "Spectral"#nom de la palette couleur (selon RColorBrewer)display.brewer.all() pour connaître les différentes palettes

# Lancement
cpt <- 0
for(v in variablecarto){
  cpt <- cpt + 1
  nomfichier <- paste(v,style_classe,sep="")
  l_legendvaria <- l_legend[cpt]
  variablecarto <- paste(v,period,sep="")

  carto(dsn,tablecarto,variablecarto,nclasse,style_classe,couleur,l_legend,repsortie,nomfichier,dept=FALSE,reg=FALSE,nrowlayout=1,ncollayout=5,position="bottom",ggsaveheight=5,ggsavewidth=20)  
}

This is myfile_1.png This is myfile_1.png This is myfile_1.png This is myfile_1.png This is myfile_1.png

Les UGB

# Paramètres ###########################
tablecarto <- "dm_vecteurs.canton" 
period <- c("1988","2000","2010") #Périodes de temps prise en compte
variablecarto <- "ugbta" #variable(s) à cartographier
#variablecarto <- "p_prairie"
l_legend <- "Densité d'UGBTA (UGBTA/SAU)" # Nom des labels associés aux variables à cartographier. Vecteur utilisé pour les titres des cartes

nclasse <- 5 #Nombre de classes de valeurs pour la cartographie
style_classe <- "quantile" #"pretty"#"jenks"
couleur <- "Spectral"#nom de la palette couleur (selon RColorBrewer)display.brewer.all() pour connaître les différentes palettes

# Lancement
cpt <- 0
for(v in variablecarto){
  cpt <- cpt + 1
  nomfichier <- paste(v,style_classe,sep="")
  l_legendvaria <- l_legend[cpt]
  variablecarto <- paste(v,period,sep="")

  carto(dsn,tablecarto,variablecarto,nclasse,style_classe,couleur,l_legend,repsortie,nomfichier,dept=FALSE,reg=FALSE,nrowlayout=1,ncollayout=3,position="bottom",ggsavewidth=18,ggsaveheight=5)  
}

Ici, on rajoute la carte sur les ugb tout aliments This is myfile_1.png

Statistiques descriptives

Courbes des fréquences cumulées et boxplot

La distribution des valeurs par années et par type d’occupation du sol présentée dans la figure ci-dessous illustre également les même tendances.

melted.ra_occup <- melted.ra[melted.ra$variable != "ugbta",]

p <- ggplot(melted.ra_occup) +
            geom_boxplot(aes(x=annees,y=value,col=variable))+
            #scale_color_manual(values=colors,name="Années")+
            scale_x_discrete("Périodes")+scale_y_continuous("% d'occupation du sol")+
            theme(plot.title = element_text(size = 14, face = "bold"), 
                  text = element_text(size = 12),
                  axis.title = element_text(face="bold"),
                  axis.text.x=element_text(size = 11))
p

Résumé des statistiques

Commenter les statistiques par périodes et type d’occupation du sol

Min. 1st Qu. Median Mean 3rd Qu. Max.
1970 0.00 13.16 24.95 29.57 44.31 93.68
1979 0.00 12.67 26.73 32.02 49.36 96.50
1988 0.00 12.80 28.09 31.10 48.12 96.11
2000 0.04 14.40 31.60 31.77 47.64 84.86
2010 0.08 15.52 33.91 33.25 49.76 87.36
Min. 1st Qu. Median Mean 3rd Qu. Max.
1970 0 21.12 49.25 47.55 73.56 99.67
1979 0 21.64 49.34 48.04 74.53 100.00
1988 0 11.60 39.28 42.40 72.27 100.00
2000 0 9.88 33.99 40.22 69.39 100.00
2010 0 9.90 33.24 39.74 68.03 100.00
Min. 1st Qu. Median Mean 3rd Qu. Max.
1970 0.03 33.72 58.46 55.14 78.60 99.74
1979 0.00 28.87 58.97 54.41 80.50 100.00
1988 0.03 21.98 54.18 51.70 81.41 100.00
2000 0.08 18.01 48.51 48.85 79.73 100.00
2010 0.07 18.16 48.61 49.05 79.56 100.00
Min. 1st Qu. Median Mean 3rd Qu. Max.
1970 0.09 18.810 41.89 43.64 66.33 99.57
1979 0.00 15.740 38.39 41.69 65.49 100.00
1988 0.07 12.860 33.60 39.02 63.43 100.00
2000 0.04 9.192 25.71 34.51 56.27 100.00
2010 0.01 8.240 23.56 33.03 53.86 100.00
Min. 1st Qu. Median Mean 3rd Qu. Max.
1988 0 0.38 0.83 0.9876 1.25 144.00
2000 0 0.31 0.76 0.9240 1.23 16.57
2010 0 0.26 0.72 0.8982 1.20 57.43

Analyse de l’évolution par stratification

Analyse des différences d’occupation

Le graphique ci-dessous n’est pas très parlant. Pour mieux appréhender les zones où il y a eu pas mal de changements, nous pourrions sélectionner uniquement les cantons ayant connun un bouleversement de plus de X% (par exemple 25 ou 50%) et compter ces cantons par zones de stratification (façon histogramme, avec diminution ou augmentation de plus de X%).Il faudra également rajouter les UGB

Zoom sur les principales régions concernées par les évolutions

## <ggproto object: Class CoordCartesian, Coord>
##     aspect: function
##     distance: function
##     expand: TRUE
##     is_linear: function
##     labels: function
##     limits: list
##     range: function
##     render_axis_h: function
##     render_axis_v: function
##     render_bg: function
##     render_fg: function
##     train: function
##     transform: function
##     super:  <ggproto object: Class CoordCartesian, Coord>

Ici, prendre du recul sur l’occupation du sol et son évolution. On pourra s’appuyer sur d’autres types de graphiques, comme les boxplots avec des stats du type (% de prairies retournées…?)

# Lecture de la table de travail
#reg <- "54|23|83|25"
reg <- c("26","23","83","54","74","52","53","25","74")
melted.ra_reg <- melted.ra[melted.ra$code_reg %in% reg,]

p_variable <- cbind("p_prairie","p_sth","p_sfp")#,"p_mf")#,"p_c")

cpt <- 0
for(i in p_variable){
  cpt <- cpt + 1
  melted.raplot <- melted.ra_reg[melted.ra_reg["variable"] == i,]
  melted.raplot[,"annees"] <- as.factor(melted.raplot[,"annees"])
  melted.raplot[,"nom_region"] <- as.factor(melted.raplot[,"nom_region"])
  
  p <- ggplot(melted.raplot) +
            geom_boxplot(aes(x=annees,y=value,col=nom_region))+
            geom_smooth(aes(x=as.integer(annees),y=value,color=nom_region,fill=nom_region),method=loess)+
            scale_x_discrete("Années")+scale_y_continuous("Pourcentage")+labs(title=i)+
            theme(plot.title = element_text(size = 14, face = "bold"), 
                  text = element_text(size = 12),
                  axis.title = element_text(face="bold"),
                  axis.text.x=element_text(size = 11))
  
  ggsave(p,file = paste(repsortie,"evolregion",i,".png",sep=""), width = 15, height = 10)  
  }
  
  #tt <- do.call("grid.arrange",p)
  #ggsave(tt, file = paste("map_",reg,"_",v,".png",sep=""), width = 10, height = 10)  
##################Autre méthode#######################

sth <- c("p_sth1979","p_sth1988","p_sth2000","p_sth2010")
sfp <- c("p_sfp1979","p_sfp1988","p_sfp2000","p_sfp2010")

pdf(paste("STH_SFP.pdf",sep=""),width=7, height=7)
boxplot(mapcanton@data[,sth],at = 1:4 - 0.15,col = "white",xlab="Années",ylab="% de SAU",boxwex = 0.15,xaxt = "n",ylim=c(0,100))
axis(1, at = 1:4, labels=c("1979","1988","2000","2010"))
boxplot(mapcanton@data[,sfp],boxwex = 0.15,at = 1:4 + 0.15,col = "grey",xaxt = "n",outline=FALSE,add=TRUE,axes=FALSE)
box()
legend("bottomleft",c("sth", "sfp"),fill = c("white", "grey"),bty="n")
dev.off()

summary(mapcanton@data$p_sth1979)
summary(mapcanton@data$p_sth1988)
summary(mapcanton@data$p_sth2000)
summary(mapcanton@data$p_sth2010)

Boxplot pour le poitou charentes

# Lecture de la table de travail
reg <- "54" # Nom de la région à sélectionner
melted.RAreg <- sqlQuery(loc,paste("select * from ra.melted_RA where code_reg like '",reg,"'",sep=""))
melted.RAreg <- melted.RA[complete.cases(melted.RAreg),]

p1 <- ggplot(melted.RAreg, aes(x=as.factor(annees), y=value, col=variable))+
              geom_boxplot(alpha=0.7)+
              scale_x_discrete("Années")+scale_y_continuous("Pourcentage")+
              theme(plot.title = element_text(size = 14, face = "bold"), 
                    text = element_text(size = 12),
                    axis.title = element_text(face="bold"),
                    axis.text.x=element_text(size = 11))+
              scale_fill_brewer(palette = "Dark2")
p1
ggsave(p1, file = paste("boxplot_",reg,".png",sep=""), width = 10, height = 10)

Exploration et fouille de données

# Pour l'exploration, on se basera sur les fichiers sources du RA (différent melted)

dsn <- "PG:dbname='sol_elevage' host='localhost' port='5432' user='jb'" # Configuration de la connexion vers le PostGIS
varia <- c("p_sth","p_sfp","p_prairie") # Variable à analyser 
period <- c("1979","1988","2000","2010") #Période de temps
id <- c("code_canton","code_reg") #Nom de l'identifiant

variable <- paste()

# Lecture du postgis
mapcanton <- readOGR(dsn = dsn, "canton")

sth <- c("p_sth1979","p_sth1988","p_sth2000","p_sth2010")
sfp <- c("p_sfp1979","p_sfp1988","p_sfp2000","p_sfp2010")

mapcanton.active <- mapcanton@data[,c("corgox_med9094","corgox_med9599","corgox_med0004","corgox_med0509",sth,sfp)]
res.pca <- PCA(mapcanton.active, graph = FALSE)
fviz_pca_var(res.pca)

#fviz_pca_var(res.pca, col.var="cos2") +
#scale_color_gradient2(low="white", mid="blue", 
                    #high="red", midpoint=0.5) + theme_minimal()